R语言提取GTF文件信息
GFF和GTF是两种最常用的数据库注释格式，在信息分析中建库时除了需要fasta文件一般还会需要这两种文件，提取需要的信息进行注释。
GFF全称为general feature format，这种格式主要是用来注释基因组。
GTF全称为gene transfer format，主要是用来对基因进行注释。
GTF文件由9列数据组成，这两种文件的前8列都是相同的（一些小的差别），gtf文件是以tab键分割的9列组成，以下为每一列的对应信息：
1) seq_id：序列的编号，一般为chr或者scanfold编号；
2) source: 注释的来源，一般为数据库或者注释的机构，如果未知，则用点"."代替；
3) type: 注释信息的类型，比如Gene、cDNA、mRNA、CDS等
4) start: 该基因或转录本在参考序列上的起始位置；
5) end: 该基因或转录本在参考序列上的终止位置；
6) score: 得分，数字，是注释信息可能性的说明，可以是序列相似性比对时的E-values值或者基因预测是的P-values值，"."表示为空；
7) strand: 该基因或转录本位于参考序列的正链(+)或负链(-)上;
8) phase: 仅对注释类型为"CDS"有效，表示起始编码的位置，有效值为0、1、2 (对于编码蛋白质的CDS来说，本列指定下一个密码子开始的位置。每3个核苷酸翻译一个氨基酸，从0开始，CDS的起始位置，除以3，余数就是这个值，，表示到达下一个密码子需要跳过的碱基个数。该编码区第一个密码子的位置，取值0, 1, 2。0表示该编码框的第一个密码子第一个碱基位于其5'末端；1表示该编码框的第一个密码子的第一个碱基位于该编码区外；2表示该编码框的第一个密码子的第一、二个碱基位于该编码区外；如果Feature为CDS时，必须指明具体值。)；
9) attributes:一个包含众多属性的列表，格式为"标签＝值"（tag=value），标签与值之间以空格分开，且每个特征之后都要有分号；（包括最后一个特征），其内容必须包括gene_id和transcript_id。以多个键值对组成的注释信息描述，键与值之间用"="，不同的键值用“
gtf文件介绍主要来自：
GTF基因注释文件详解_人工智能_宁生信-CSDN博客：
https://blog.csdn.net/sinat_38163598/article/details/72851239
如果说要从gtf文件中提取有用的东西呢？比如gene_id，gene_name (symbol)，gene_type......，所以我来介绍一个超好用的GTF加载器：rtracklayer。
The rtracklayer package is an interface (or layer ) between R and genome browsers. Its main purpose is the visualization of genomic annotation tracks, whether generated through experimental data analysis performed in R or loaded from an external data source. The features of rtracklayer may be divided into two categories: 1) the import/export of track data and 2) the control and querying of external genome browser sessions and views.
该包也属于Bioconductor (以R语言为平台的一个高通量基因组数据的分析工具)，关于Bioconductor，徐州更有一篇简书介绍的超好：https://www.jianshu.com/p/f528f1fad97e，里面有很多使用的包，可以在之后使用。所以他的安装就需要Bioconductor类包的特定安装方式：
BiocManager::install("rtracklayer")来看 rtracklayer，它其实不仅可用于gtf文件的导入导出，还可以操作其他多种数据格式(BED，WIG，bigWig......)。至于gtf文件，请去ensemble下载。
gtf <- rtracklayer::import('Homo_sapiens.GRCh38.99.gtf.gz.gtf') #导入gtf_df=as.data.frame(gtf) #转化为矩阵colnames(gtf) #查看一下包含的内容[1] "seqnames" "start"[3] "end" "width"[5] "strand" "source"[7] "type" "score"[9] "phase" "gene_id"[11] "gene_version" "gene_name"[13] "gene_source" "gene_biotype"[15] "transcript_id" "transcript_version"[17] "transcript_name" "transcript_source"[19] "transcript_biotype" "tag"[21] "transcript_support_level" "exon_number"[23] "exon_id" "exon_version"[25] "protein_id" "protein_version"[27] "ccds_id"
看到这我觉得可以开心了，至少我是很开心了。。。
直接用"$"提取你想要的列就可以了。其中gene_id是ensemble_id，gene_name是symbol。但是注意，提取出的信息包含重复，所以可以用duplicated函数进行过滤，比如：
test[!duplicated(test),] #删掉所有列上都重复的好了，祝你结果顺利咯~